Construction of a Retinopathy of Prematurity Onset Prediction Model Using the Random Forest Machine Learning Algorithm

Todos os anos, milhares de bebês que nascem prematuramente enfrentam uma ameaça silenciosa à sua visão. Esta condição, conhecida como retinopatia da prematuridade, é um distúrbio onde os vasos sanguíneos na parte posterior do olho não se desenvolvem corretamente. Isso ocorre porque esses lactentes nasceram antes que seus olhos estivessem totalmente formados, e a delicada rede de vasos que eventualmente transportará o sangue para a retina pode parar de crescer ou crescer de uma forma caótica e prejudicial. Se não for monitorada, esse crescimento anormal pode puxar a retina para longe do fundo do olho, levando à cegueira permanente. A janela para prevenir isso é estreita; os médicos devem identificar quais bebês estão em risco e tratá-los antes que o dano se torne irreversível. No entanto, o sistema atual de examinar todos os bebês prematuros para esta condição é um fardo pesado. A maioria desses lactentes nunca desenvolverá a doença, mas eles precisam passar por exames oculares repetidos, muitas vezes estressantes, que consomem recursos médicos e causam ansiedade para as famílias. O desafio para os médicos é encontrar uma maneira de distinguir os poucos que realmente precisam de intervenção daqueles muitos que não precisam, sem perder um único caso.

Para resolver este enigma, pesquisadores em Guangxi, China, recorreram a uma ferramenta poderosa do mundo da ciência da computação: um algoritmo de aprendizado de máquina chamado Random Forest (Floresta Aleatória). Em vez de depender de uma única regra ou de uma lista de verificação simples, essa abordagem imita a maneira como um grupo de especialistas poderia debater um diagnóstico, combinando muitas informações diferentes para chegar a uma conclusão mais confiável. A equipe, liderada por Yong Yang e Minli Huang, propôs-se a construir e testar um modelo que pudesse prever quais bebês prematuros desenvolveriam retinopatia da prematuridade com base em seu histórico médico. Eles reuniram dados de 150 bebês que foram triados em um hospital local entre janeiro e setembro de 2024. Cada lactente neste grupo havia nascido precocemente, tinha baixo peso ao nascer ou outras complicações de saúde graves que os colocavam em risco. Os pesquisadores revisaram cuidadosamente os registros médicos eletrônicos dessas crianças, procurando padrões em seus primeiros dias de vida que pudessem sinalizar problemas para seus olhos.

Os pesquisadores começaram com uma longa lista de quarenta e seis possíveis sinais de alerta, variando desde a saúde da mãe durante a gravidez até os tratamentos específicos que o bebê recebeu após o nascimento. Eles inseriram essas informações em cinco modelos de computador diferentes, cada um projetado para encontrar as pistas mais importantes. O objetivo era encontrar os fatores com os quais todos os modelos concordassem serem críticos. Após processar os números, o computador identificou nove preditores fundamentais que apareceram consistentemente através dos diferentes métodos. Estes incluíam a idade gestacional do bebê e o peso ao nascer, o uso de oxigenoterapia e a concentração específica de oxigênio administrada, e a presença de condições como anemia, desconforto respiratório e uma infecção intestinal grave conhecida como enterocolite necrosante. A lista também incluía se o bebê foi concebido por meio de fertilização in vitro e se antibióticos foram usados durante sua permanência no hospital. Ao focar nesses nove detalhes específicos, os pesquisadores reduziram a vasta quantidade de dados médicos aos sinais mais potentes.

Com esses nove fatores em mãos, a equipe construiu seu modelo de previsão e o testou contra os dados do mundo real dos 150 bebês. Os resultados foram promissores. O modelo provou ser altamente eficaz na identificação dos bebês que não tinham a doença, sinalizando corretamente quase todos como de baixo risco. De fato, o estudo confirmou que nenhum dos 135 lactentes prematuros que não desenvolveram ROP foi perdido pelo modelo. Ele também previu com sucesso o início da condição na maioria dos casos em que ela ocorreu. A precisão do computador em distinguir olhos saudáveis daqueles que estão desenvolvendo a doença foi forte, com uma pontuação de desempenho que indicou ser uma ferramenta confiável. O estudo mostrou que, ao usar esses nove indicadores médicos específicos, o modelo poderia filtrar os dados com um alto grau de confiança, sugerindo que poderia ajudar os médicos a decidir quais bebês precisam de atenção mais urgente e quais podem não exigir uma triagem tão frequente e intensiva.

As descobertas oferecem uma nova maneira de olhar para a complexa biologia do nascimento prematuro. O estudo confirmou que os riscos mais significativos estão ligados à imaturidade do corpo do lactente e às intervenções necessárias para mantê-lo vivo. Por exemplo, a necessidade de altas concentrações de oxigênio, embora vital para os pulmões, pode ser prejudicial aos vasos sanguíneos em desenvolvimento no olho. Da mesma forma, condições que causam inflamação ou estresse no corpo, como infecções graves ou dificuldades respiratórias, parecem estar intimamente ligadas ao desenvolvimento de problemas oculares. O modelo não apenas adivhou; ele aprendeu com os desfechos reais de 150 pacientes reais, descobrindo que os bebês que desenvolveram a condição eram geralmente menores, nasceram mais cedo e tinham históricos médicos mais graves do que aqueles que não desenvolveram. Essa conexão entre a luta geral do corpo pela sobrevivência e a saúde específica dos olhos fornece um quadro mais claro de quem é mais vulnerável.

Embora o modelo tenha mostrado grande potencial, os pesquisadores observaram que ele não é um cristal mágico perfeito. Em seus testes, o sistema foi extremamente bom em excluir a doença em bebês saudáveis, identificando corretamente todos os 135 lactentes que não desenvolveram a condição. No entanto, o modelo enfrentou uma limitação ao prever exatamente quais lactentes diagnosticados com ROP não exigiriam triagem adicional, pois sua sensibilidade para detectar o início específico no grupo menor de afetados foi menor. Esta é uma distinção crucial na medicina; muitas vezes é mais seguro perder alguns casos potenciais e tratá-los mais tarde do que causar alarmes falsos em muitas famílias saudáveis. O estudo sugere que esta ferramenta pode ser usada para ajudar os médicos a priorizar seus esforços de triagem, garantindo que os lactentes de maior risco sejam vistos primeiro. Ele não substitui a necessidade de um exame cuidadoso de um médico, mas oferece uma maneira baseada em dados de organizar o cuidado e reduzir o número de procedimentos desnecessários. Ao focar nos nove fatores específicos identificados, as equipes médicas podem entender melhor a trajetória da saúde de um lactente prematuro e tomar decisões mais informadas sobre a proteção de sua visão.